Nâng cao hiệu năng phát hiện đám cháy sử dụng thị giác máy dựa trên mạng nơ-ron YOLOV5

KHOA HỌC CÔNG NGHỆ

P-ISSN 1859-3585 E-ISSN 2615-9619

NÂNG CAO HIỆU NĂNG PHÁT HIỆN ĐÁM CHÁY SỬ DỤNG
THỊ GIÁC MÁY DỰA TRÊN MẠNG NƠ-RON YOLOV5
IMPROVEMENT THE FIRE DETECTION PERFORMANCE USING COMPUTER VISION
BASED ON YOLOV5 NEURAL NETWORK
Đỗ Thị Ngọc Ánh1, Hoàng Mạnh Kha1,
Lê Anh Tuấn1,*, Nguyễn Ngọc Anh1
DOI: />TÓM TẮT
Phát hiện đám cháy sớm và chính xác đang là yêu cầu cấp thiết đặt ra đối với
các hệ thống cảnh báo cháy. Để góp phần giải quyết bài tốn này, bài báo trình
bày quá trình xây dựng ứng dụng phát hiện đám cháy sử dụng mạng nơ-ron tích
chập YOLOv5. Ứng dụng sử dụng mơ hình mạng nơ-ron YOLOv5 để phát hiện
đám cháy đã cho kết quả thử nghiệm đạt độ chính xác cao và tốc độ xử lý nhanh
có khả năng nhận dạng theo thời gian thực. Với thực trạng cháy nổ hiện tại đồng
thời qua phân tích các hệ thống cảnh báo cháy đang có trên thị trường, hệ thống
nhận dạng ngọn lửa sử dụng mạng nơ-ron khi kết hợp với các hệ thống camera
an ninh hứa hẹn sẽ cải thiện được nhiều thiếu sót của các hệ thống báo cháy
thơng thường đang gặp phải, giúp giảm thiểu thiệt hại về người và cơ sở vật chất
khi xảy ra hỏa hoạn.
Từ khóa: Phát hiện lửa, báo cháy, mạng nơ ron tích chập, YOLOv5.
ABSTRACT
Early and accurate in fire detection is an urgent requirement for fire alarm
systems. To contribute to solving this problem, this paper presents a fire
detection model based on YOLOv5 convolutional neural network (CNNs). Using
YOLOv5 convolution neural network to fire detection has given high accuracy
upper 90% and real time detection. The current fire and explosion situation
combine analysis of the operation of fire alarm systems be used, a fire detection
based on YOLOv5 convolutiona l neural network when combine a sercurity

camera systerm improve the performance of the fire alarm system.
Keywords: Fire detection, CNN-convolution neural network, YOLOv5.
1

Trường Đại học Công nghiệp Hà Nội
Email:
Ngày nhận bài: 02/6/2022
Ngày nhận bài sửa sau phản biện: 15/7/2022
Ngày chấp nhận đăng: 27/10/2022
*

1. GIỚI THIỆU
Xuất phát từ thực tế hiện nay, tình hình cháy nổ trong
nước ngày một tăng cao kéo theo rất nhiều hệ lụy, thiệt hại
nghiêm trọng về người và tài sản. Với tốc độ xây dựng cơ sở
hạ tầng vơ cùng mạnh mẽ, các tồ nhà cao tầng, trung tâm
thương mại, trụ sở văn phịng ln là những địa điểm tiềm
ẩn những nguy cơ về hỏa hoạn. Chính vì vậy, việc phát hiện
cháy sớm ngăn chặn hiệu quả các trường hợp gây cháy

48 Tạp chí KHOA HỌC & CÔNG NGHỆ ● Tập 58 - Số 5 (10/2022)

diện rộng. Để phát hiện ngọn lửa các hệ thống báo cháy
thơng thường hiện nay đang sử dụng chính là cảm biến
nhiệt độ, tuy nhiên phương pháp này có nhược điểm là
không phát hiện được ngọn lửa nhỏ và chỉ phát hiện được
khi ngọn lửa đã lan rộng làm nhiệt độ tăng cao. Phương
pháp sử dụng kỹ thuật nhận dạng hình ảnh từ camera giúp
khắc phục nhược điểm trên, với phương pháp này chỉ cần
sử dụng một máy quay camera hoặc tận dụng hệ thống

camera có sẵn là có thể giám sát không gian rộng.
Hệ thống phát hiện cháy sử dụng camera thơng thường
sử dụng trực tiếp dữ liệu hình ảnh, video từ các hệ thống
camera giám sát, sau đó đưa qua các thuật tốn xử lý hình
ảnh, các thuật tốn nhận dạng AI, từ đó đưa ra các cảnh
báo khi phát hiện đám cháy. Ưu điểm của hệ thống là có
thể tận dụng dữ liệu từ các hệ thống camera giám sát có
sẵn, tuy nhiên độ chính xác hệ thống phụ thuộc phần lớn
vào thuật toán xử lý, yêu cầu cấu hình phần cứng mạnh.
Trong các kỹ thuật nhận dạng hình ảnh, giải pháp áp
dụng các mơ hình mạng nơ ron học sâu được đánh giá đạt
hiệu năng tốt nhất. Kỹ thuật nhận dạng đối tượng (Object
Detection) đã được sử dụng rộng rãi để phát hiện khuôn
mặt, phát hiện xe, đếm số người đi bộ, hệ thống bảo mật và
xe không người lái và các hệ thống phục vụ cho mục đích
cảnh báo sớm từ xa. Các thuật tốn nhận diện các đối
tượng sử dụng các phương pháp cổ điển như phân vùng
theo ngưỡng màu sắc, kỹ thuật luồng quang... hay sử dụng
các thuật toán được hỗ trợ trong OpenCV đã không đạt
được hiệu suất đủ tốt để làm việc trong nhiều điều kiện
khác nhau. Việc áp dụng đột phá và nhanh chóng của kỹ
thuật học sâu bắt đầu từ năm 2012 đã dẫn đến sự ra đời
của các thuật toán và phương pháp phát hiện đối tượng
hiện đại và chính xác cao như R-CNN [9], Fast-RCNN [10],
Faster-RCNN [11] và nhanh hơn nhưng rất chính xác như
SSD [12] và YOLO [1].
Nhận dạng đối tượng trong thị giác máy bao gồm 2
nhiệm vụ chính là:
- Phân loại hình ảnh (Image Classification): Dự đốn
nhãn của các đối tượng trong một hình ảnh

- Định vị đối tượng (Object Localization): Xác định vị trí
của đối tượng trong ảnh bằng khung chữ nhật bao quanh

Website:


SCIENCE - TECHNOLOGY

P-ISSN 1859-3585 E-ISSN 2615-9619
đối tượng (Bounding Box). Trong một hình ảnh có thể có
nhiều đối tượng, mỗi đối tượng có thể xuất hiện nhiều vị trí
khác nhau với các kích thước khác nhau.
Trong bài báo trình bày cơ sở lý thuyết mạng YOLO và
quy trình huấn luyện mơ hình mạng YOLOv5 để nhận dạng
ngọn lửa. Sử dụng mơ hình đã được huấn luyện để xây
dựng chương trình nhận dạng ngọn lửa, sau đó thực hiện
các thực nghiệm nhận dạng từ đó đưa ra đánh giá hiệu
năng của mơ hình.

Dữ liệu đầu vào là hình ảnh hoặc một frame được trích
xuất từ Video. Ảnh đầu vào sau đó được chia thành mạng
lưới có S x S ơ (hay cịn gọi là grid size). Thông thường grid
size sẽ là 3 x 3, 7 x 7, 9 x 9, …

2. CƠ SỞ LÝ THUYẾT MẠNG YOLO
2.1. Giới thiệu mạng YOLO
YOLO là một kiến trúc mạng CNN được sử dụng trong
phát hiện, nhận dạng và phân loại đối tượng. Đối bài toán
phân loại (Classification) chỉ có khả năng phân loại đối
tượng bằng các dự đốn nhãn thì YOLO giải quyết bài tốn

phát hiện đối tượng (Object Detection), khơng chỉ có thể
phát hiện nhiều đối tượng với nhiều nhãn khác nhau mà
cịn có thể xác định vị trí cụ thể của các đối tượng trong
cùng một hình ảnh bằng các khung bao quanh đối tượng
hình chữ nhật (Bounding Box). YOLO là viết tắt của cụm từ
“You only look once” nói nên khả năng về tốc độ nhận
dạng của mơ hình này, YOLO được đánh giá là mơ hình cho
tốc độ nhận dạng nhanh nhất có khả năng nhận dạng theo
thời gian thực. Kiến trúc YOLO được xây dựng từ các lớp
tích chập (Convolution layers) để trích xuất ra các đặc trưng
của đối tượng và các lớp kết nối đầy đủ (full connected
layer) để dự đốn nhãn và vị trí của đối tượng . Dữ liệu đầu
vào là các hình ảnh, mơ hình sẽ dự đốn vị trí, kích thước và
nhãn của các Bounding Box.
2.2. Kiến trúc mạng YOLO
YOLO có kiến trúc bao gồm phần trích xuất đặc trưng
(Feature Extractor) và phát hiện đối tượng (Extra Layers).
Phần trích xuất đặc trưng là các lớp convolution sẽ cho đầu
ra là các bản đồ đặc trưng (Feature map). Phần phát hiện
vật thể bao gồm các lớp kết nối đầy đủ (Fully connected
layers) dùng để phát hiện, dự đoán nhãn và tọa độ
Bounding Box của đối tượng trên các bản đồ đặc trưng
(Feature map) của phần Feature Extractor. Hình ảnh cần
nhận dạng sẽ được đi qua khâu trích xuất đặc trưng để có
đầu ra ra là bản đồ đặc trưng (Feature map) với các kích
thước khác nhau. Các bản đồ đặc trưng sau đó được đưa
qua khâu phát hiện đối tượng (Extra Layers) để dự đoán ra
các thơng tinvề tên đối tượng, vị trí và kích thước của
Bounding Box bao quanh đối tượng.

Hình 1. Kiến trúc mạng YOLO [1]

Website:

Hình 2. Mơ hình hoạt động của mạng YOLO [1]
2.3. Nguyên lý hoạt động mạng YOLO
YOLO sẽ phân chia hình ảnh thành các ơ vng dạng
lưới (grid) và xác định xem trong mỗi ơ vng liệu có tâm
của vật thể cần xác định hay khơng. Nếu có, mơ hình YOLO
sẽ khoanh vùng đối tượng bằng hộp mốc (Anchor Box), sau
khi có kết quả lọc chính xác thì sẽ xuất ra bounding box.
Thuật toán sử dụng một mạng nơ ron đơn với đặc trưng có
được từ các feature map của các lớp tích chập để dự đốn
bounding box ở mỗi ô và xác suất loại đối tượng nào đang
được chứa bên trong. Sau cùng, ta sẽ có rất nhiều
bounding box được thuật tốn đưa ra với kích thước khác
nhau. Sử dụng thuật tốn Non-Maxima Suppresstion (NMS)
ta có thể loại được các hầu hết các bounding box là miền
bao của cùng một đối tượng, có tỉ lệ thấp và giữ lại các
bounding box có tỉ lệ khớp cao.
Đầu ra của YOLO khi dự đoán 1 Bounding Box là một
vector gồm các thành phần gồm: xác xuất dự báo có vật
thể (P0) được định nghĩa Pr(Object)∗IOU(pred,truth), tọa độ
tâm kích thước chiều rộng, cao của Bouding Box (x, y, w, h),
các vector phân phối xác xuất dự báo của các classes. Kích
thước vector đầu ra được tính bằng (5 + số classes) ví dụ khi
ta huấn luyện nhận dạng 50 đối tượng(classes) thì kích
thước vector đầu ra dự đốn cho mỗ Bounding Box sẽ có
kích thước là 55. Như vậy đầu ra của cả mơ hình là một ma
trận 3 chiều có kích thước S×S×B×(5+C) trong đó SxS là

kích thước của các Feature map ở phần trích xuất đặc
trưng, B là số lượng Bounding Box tương ứng là số Anchor
Box và tại mỗi ô(cell) áp dụng 3 Anchor Box như vậy B = 3,
C là số classes.
Mơ hình YOLO hiện tại có 5 phiên bản YOLOv1 [1],
YOLOv2 [2], YOLOv3 [3] do Joseph Redmon phát triển từ
2016, YOLOv4 [4] do Alexey Bochkovskiy phát triển năm
2020 và YOLOv5 do Glenn Jocher phát hành trong cùng
năm 2020 [5]. Khác với những phiên bản trước, YOLOv5
được phát triển dựa trên PyTorch thay vì DarkNet [5]. Đây là
một ưu điểm lớn YOLOv5 vì PyTorch phổ biến hơn do đó sẽ
có nhiều tài liệu và hướng dẫn để tham khảo về mơ hình
này. YOLOv5 đề xuất 5 phiên bản như sau:

Vol. 58 - No. 5 (Oct 2022) ● Journal of SCIENCE & TECHNOLOGY 49


KHOA HỌC CÔNG NGHỆ
YOLOv5n - Nano version, YOLOv5s - Small version,
YOLOv5m - Medium version, YOLOv5l - Large version,
YOLOv5x - Extra-large version. YOLOv5 được công bố gần
đây với những so sánh ban đầu cho thấy độ chính xác
tương đương YOLOv4 và có tốc độ nhanh hơn khi thực hiện
dự đốn. Trong ứng dụng này tác giả sử dụng mơ hình
YOLOv5 với phiên bản YOLOv5s.
3. ỨNG DỤNG PHÁT HIỆN LỬA
3.1. Mơ hình hệ thống

P-ISSN 1859-3585 E-ISSN 2615-9619
Cấu trúc tập dữ liệu YOLOv5 yêu cầu bao gồm:

 Một thư mục images chứa ảnh: trong đó có 2 thư mục
train và val để chứa ảnh train và ảnh validate.
 Một thư mục labels chứa nhãn (các file txt đó) và cũng
có 2 thư mục tương tự như images.
Dữ liệu đầu vào ảnh của YOLOv5 theo format darknet
với mỗi 1 file .txt sẽ cho 1 ảnh có chứa đối tượng là label,
cịn với những ảnh khơng có đối tượng thì bỏ qua. File .txt
có định dạng như sau :
 Mỗi hàng sẽ là một đối tượng
 Mỗi hàng sẽ có format như sau: class x_center
y_center width height trong đó class x_center y_center là
tọa độ x, y của tâm khung bao vật thể, width, height là
chiều rộng và cao của khung bao vật thể
 Toạ độ của các box sẽ được chuẩn hóa (từ 0-1) theo
format xywh
 Class sẽ bắt đầu từ 0

Hình 4. Định dạng File.txt gắn nhãn của YOLOv5
Hình 3. Mơ hình hệ thống
Bộ dữ liệu dataset được chia thành 2 tập dữ liệu bao
gồm tập huấn luyện(training) và tập xác minh (validate),
các hình ảnh sau đó được tiến hành gán nhãn xác định vị trí
các ngọn lửa. Tiến hành cấu hình các thơng số cho Model,
sử dụng tập dữ liệu huấn luyện và tập validate để huấn
luyện cho mơ hình. Mơ hình sau khi được huấn luyện thành
công bộ trọng số được lưu dưới định dạng “model.pt”. Mơ
hình huấn luyện được sử dụng cho chương trình thực thi
nhận dạng ngọn lửa với dữ liệu đầu vào lấy từ các hình ảnh,
videos, camera. Kết quả quá trình nhận dạng phần mềm sẽ
hiển thị trực tiếp kết quả phân loại “fire” và vị trí của ngọn

lửa trên màn hình đồng thời lưu lại hình ảnh hoặc video
nhận dạng.

Tất cả hình ảnh sử dụng cho training đều phải được gắn
nhãn, tác giả sử dụng phần mềm LabelIMG để gắn nhãn
cho hình ảnh.

3.2. Chuẩn bị bộ dữ liệu
Tập dữ liệu được sử dụng để huấn luyện mô hình bao
gồm 1403 ảnh có kích thước 224x224, được xây dựng bằng
cachs chọn lọc từ bộ dữ liệu hơn 10000 ảnh do Durham
University [6]. Hình ảnh trong bộ dữ liệu có nhiều khung
cảnh và kích thước ngọn lửa khác nhau. Trong 1403 ảnh
gồm có 1194 ảnh có lửa, 209 ảnh khơng có ngọn lửa. Mỗi
ảnh xuất hiện có thể xuất hiện một hoặc nhiều ngọn lửa với
các kích thước khác nhau, tất cả các ngọn lửa đều phải
được gắn nhãn do vậy mỗi ảnh có thể có nhiều hơn 1 nhãn.
Tổng số có 3129 ngọn lửa được gắn nhãn, quá trình gắn
nhãn cho nhóm tác giả thực hiện. Bộ dữ liệu được phân
chia 80% cho tập huấn luyện và 20% cho tập xác minh
(validate) .

50 Tạp chí KHOA HỌC & CƠNG NGHỆ ● Tập 58 - Số 5 (10/2022)

Hình 5. Gắn nhãn cho ảnh sử dụng phần mềm LabelIMG
3.3. Huấn luyện mơ hình
Trong q trình huấn luyện mạng nơ ron sẽ tính tốn
lần lượt tất cả các ảnh của tệp dữ liệu đầu vào và sử dụng
lặp lại các ảnh này nhiều lần, mục đích để tối ưu hàm mất
mát. Quá trình tối ưu này sẽ giúp cho mạng nơ-ron tìm

được bộ trọng số tốt nhất, giúp cho quá trình nhận dạng
được chính xác nhất. Mơ hình sau khi huấn luyện thành
công bộ trọng số sẽ được lưu trữ trong file kết quả có định
dạng “.pt”. Trong YOLOv5 ngồi việc bắt đầu q trình
huấn luyện mới từ đầu YOLOv5 cịn cho phép người dùng
sử dụng bộ trọng số có sẵn để tiếp tục quá trình huấn

Website:


SCIENCE - TECHNOLOGY

P-ISSN 1859-3585 E-ISSN 2615-9619
luyện để cho quá trình huấn luyện nhanh hơn thay vì phải
huấn luyện từ đầu.
Quá trình huấn luyện mơ hình sử dụng một lượng lớn tài
ngun của máy tính, nếu máy tính có cấu hình không đủ
mạnh thời gian huấn luyện diễn ra rất dài. Ta có thể huấn
luyện trên Google Colab để giảm thời gian huấn luyện đồng
thời đảm bảo hiệu quả và chất lượng của mơ hình.
Bảng 1. Danh mục các tham số cấu hình cho mạng
Tên tham
số

Giá trị tham
số

img

224

Kích thước ảnh đầu vào

Batch size

64

Số lượng ảnh sử dụng mỗi vòng huấn luyện

epochs

1000

Số lượt huấn luyện trên toàn bộ dữ liệu

data

fire_dataset

weight

yolov5s

device

0

name

defaut

Bảng 2. Danh mục cấu hình các tham số nhận dạng
Tên tham số

Giá trị tham số

img

640

source

0

conf-thres

0.25

Thiết lập ngưỡng độ tin cậy dự đoán

iou-thres

0.45

Thiết lập ngưỡng IoU

weight

best.pt

Lựa chọn bộ trọng số tốt nhất của kết
quả training model yolov5s

device

0

Lựa chọn GPU training, chọn ‘cpu‘ nếu
không có GPU

Ý nghĩa tham số

File chứa đường dẫn tập dữ liệu
Lựa chọn phiên bản model yolov5s
Lựa chọn GPU training, chọn ‘cpu‘ nếu
khơng có GPU
Đường dẫn thư mục lưu model

Ý nghĩa tham số
Kích thước ảnh đầu vào theo pixcel
Nguồn dữ liệu đầu vào chọn ‘0‘ với dữ
liệu nhận dạng từ camera, hoặc đường
dẫn tới hình ảnh, video có sẵn

Phần mềm cho phép thực hiện nhận dạng với tùy chọn
dữ liệu đầu vào bao gồm file ảnh, file video hoặc hình ảnh
trực tiếp từ camera. Với dữ liệu đầu vào là hình ảnh cần
cung cấp đường dẫn tuyệt đối của file ảnh, kết quả nhận
dạng là hình ảnh được lưu lại trên đó chỉ ra vị trí ngọn lửa
và độ tin cậy của dự đoán.

4. KẾT QUẢ THỰC NGHIỆM

Số lượng ảnh tối đa của mỗi batch phụ thuộc vào cấu
hình phần cứng của máy tính, nhóm tác giả sử dụng máy
chủ google colab mỗi bacth sử dụng 64 hình ảnh.
Số lượt huấn luyện tồn bộ dữ liệu (epochs) trong q
trình huấn luyện tác giả Glenn Jocher khuyến cáo sử dụng
tối thiểu 300 epochs [7], thực nghiệm cho thấy các tham số
mơ hình bão hịa tại epochs đạt 1000 lần.
3.4. Chương trình phát hiện đám cháy sử dụng hình ảnh
từ camera

4.1. Kết quả
Kết thúc q trình huấn luyện có 2 bộ trọng số được mơ
hình lưu lại bao gồm:
 Bộ trọng số tốt nhất: best.pt
 Bộ trọng số cuối cùng của quá trình huấn luyện: last.pt
Trong đó bộ trọng số best.pt được sử dụng cho chương
trình nhận dạng.
Thơng số chi tiết kết q training thể hiện trong hình 7.

Hình 7. Biểu đồ kết quả quá trình training của model

Hình 6. Giải thuật của hệ thống
Giải thuật của hệ thống phát hiện đám cháy sử dụng
hình ảnh từ camera như hình 6. Thiết lập các tham số cho
quá trình nhận dạng như bảng 2.

Website:

Biểu đồ hình 7 cho thấy, sau quá trình training 1000
epoch độ chính xác trung bình dự đốn của training
(precision) đạt 95,39% khi, độ mất mát (loss) 2,3%, kích
thước mơ hình 13,6Mb. Đối với q trình validate độ chính
xác trung bình của phát hiện tại IoU = 0,5 (mAP_0.5) đạt
95,4%
Ứng dụng nhận dạng cho phép thực hiện nhận dạng
với tùy chọn dữ liệu đầu vào bao gồm file ảnh, file video

Vol. 58 - No. 5 (Oct 2022) ● Journal of SCIENCE & TECHNOLOGY 51


KHOA HỌC CƠNG NGHỆ

P-ISSN 1859-3585 E-ISSN 2615-9619

hoặc hình ảnh trực tiếp từ camera. Với dữ liệu đầu vào là
hình ảnh cần cung cấp đường dẫn tuyệt đối của file ảnh,
kết quả nhận dạng là hình ảnh được lưu lại trên đó chỉ ra vị
trí ngọn lửa và độ chính xác của dự đoán.

4.2.1. Thực nghiệm với điều kiện trong nhà, thiếu ánh
sáng
Thực nghiệm được thực hiện lấy dữ liệu từ camera trong
nhà với điều kiện phòng thiếu ánh sáng. Nhận dạng đám
cháy trong khoảng thời gian 30s, trích xuất hình ảnh từ
video kết quả thu được 947 hình ảnh kích thước 480x854.
Hình ảnh sau khi nhận dạng như trong hình 9.

Hình 8. Kết quả nhận dạng trực tiếp qua camera

4.2. Thực nghiệm và đánh giá
Để đánh giá hiệu năng của mơ hình, nhóm tác giả
đánh giá hai thơng số bao gồm độ chính xác trong nhận
dạng và tốc độ nhận dạng. Độ chính xác được đánh giá
trong 3 điều kiện: Trong nhà thiếu sáng, trong nhà đủ ánh
sáng, ngoài trời.
Đánh giá độ chính xác trong nhận dạng nhóm tác giả sử
dụng hai thơng số gồm:
Precision: Biểu thị độ chính xác trong dự đốn tên và vị
trí đối tượng;

Hình 9. Ảnh nhận dạng lửa trong nhà thiếu sáng
Kết quả nhận dạng sau khi trích xuất frame ảnh như
trong bảng 3.
Bảng 3. Bảng kết quả so sánh dự đoán với điều kiện trong nhà, thiếu ánh sáng
Ảnh có lửa
Giải pháp

Recall: Biểu thị khả năng phát hiện đối tượng trong dữ
liệu đầu vào.
Trong hệ thống yêu cầu phát hiện ngọn lửa là nhiệm vụ
quan trọng nhất do đó tham số Recall được quan tâm hơn
Precision. Recall càng cao khả năng phát hiện lửa càng cao
đồng nghĩa là khả năng bỏ sót lửa càng thấp.
Độ chính xác dự đốn đối tượng:
TP
TP  FP
Khả năng phát hiện đối tượng:
Pr ecision 

TP
TP  FN
Trong đó:
Recall 

(1)

Đề xuất-YOLOv5s
YOLOv3 [8]

Khơng
phát
hiện
(FN)
524
7
401 130

Phát
hiện
(TP)

Ảnh khơng có
lửa
Phát Khơng
hiện
phát
hiện
(FP)
(TN)

11
405
0
416

Precision Recall

97,94% 98,68%
100% 75,52%

Kết quả trên cho thấy hiệu năng của giải pháp đề xuất
là tốt hơn so với giải pháp sử dụng mơ hình YOLOv3 trong
khả phát hiện lửa thể hiện qua tham số Recall. Lưu ý rằng
trong ứng dụng phát hiện và cảnh báo cháy, tham số Recall
cần được ưu tiên cao hơn.
4.2.2. Thực nghiệm với điều kiện trong nhà đủ ánh sáng

(2)

TP - True Positive: Thực tế có đối tượng, dự đốn có đối
tượng;

Thực nghiệm được thực hiện lấy dữ liệu từ camera trong
nhà với điều kiện phòng đủ ánh sáng. Nhận dạng đám cháy
trong khoảng thời gian 28s. Trích xuất hình ảnh từ video
kết quả thu được 844 hình ảnh 480x854 pixcel. Ảnh nhận
dạng lửa trong nhà đủ ánh sáng như trong hình 10.

FN - False Negative: Thực tế có đối tượng, dự đốn
khơng có đối tượng;

TN - True Negative: Thực tế khơng có đối tượng, dự
đốn khơng có đối tượng;
FP - False Positive: Thực tế khơng có đối tượng, dự đốn
có đối tượng.
Bên cạnh đó tác giải đã thực hiện so sánh kết quả với
giải pháp đã được công bố [8] sử dụng YOLOv3. Kết quả so
sánh được thực hiện với các điều kiện giống nhau cho cả
hai giải pháp như: sử dụng cùng 1 bộ dữ liệu huấn luyện,
cài đặt cùng 1 bộ tham số (IoU, image size), thực thi trên
cùng một nền tảng phần cứng.

52 Tạp chí KHOA HỌC & CÔNG NGHỆ ● Tập 58 - Số 5 (10/2022)

Hình 10. Ảnh nhận dạng lửa trong nhà đủ ánh sáng
Kết quả nhận dạng sau khi trích xuất frame ảnh như
trong bảng 4.
Kết quả nhận dạng sử dụng giải pháp YOLOv5 vẫn đạt
độ chính xác trên 95%, giải pháp sử dụng YOLOv3 đạt độ

Website:


SCIENCE - TECHNOLOGY

P-ISSN 1859-3585 E-ISSN 2615-9619
chính xác thấp hơn rất nhiều. Thực nghiệm cho thấy giải
pháp sử dụng YOLOv3 phát hiện ngọn lửa kích thước nhỏ
kém hơn, nhạy cảm với ánh sáng môi trường hơn nhiều so
với YOLOv5.
Bảng 4. Bảng kết quả so sánh dự đoán với điều kiện trong nhà đủ sáng

Ảnh có lửa
Phát Khơng
Giải pháp
hiện phát hiện
(TP) (FN)
Đề xuất-YOLOv5s 750
34
YOLOv3[8]
243
541

Ảnh khơng có lửa
Phát
Khơng
Precision Recall
hiện phát hiện
(FP)
(TN)
0
60
100% 95,66%
0
60
100% 30,99%

4.2.3. Thực nghiệm với điều kiện ngoài trời
Thực nghiệm được thực hiện bằng lấy dữ liệu từ camera
ngoài trời. Nhận dạng đám cháy trong khoảng thời gian
34s. Trích xuất hình ảnh từ video kết quả thu được 1010
hình ảnh kích thước 480x854. Ảnh nhận dạng đúng ngọn

lửa ngoài trời như trong hình 11.

Hình 11. Ảnh nhận dạng đúng ngọn lửa ngồi trời
Kết quả nhận dạng sau khi trích xuất frame ảnh như
trong bảng 5.
Bảng 5. Bảng kết quả so sánh dự đốn với điều kiện ngồi trời
Ảnh có lửa
Giải pháp

Ảnh khơng
có lửa

Phát Không Phát Không Precision Recall
hiện phát hiện hiện phát hiện
(TP)
(FN)
(FP)
(TN)

Đề xuất-YOLOv5s

560

101

0

349

100%

84,72%

YOLOv3 [8]

262

399

0

349

100%

39,64%

Ở thực nghiệm này độ chính xác nhận dạng giảm mạnh
ở cả 2 giải pháp do ảnh hưởng điều kiện ánh sáng môi
trường, tuy nhiên giải pháp sử dụng YOLOv5 vẫn đạt độ
chính xác trên 80%, giải pháp sử dụng YOLOv3 chỉ đạt dưới
40%. Điều này cho thấy giải pháp sử dụng YOLOv3 [8] kém
ổn định với điều kiện ánh sáng môi trường so với YOLOv5.
4.2.4. Thực nghiệm đánh giá tốc độ nhận dạng
Thực nghiệm đánh giá tốc độ nhận dạng với đầu vào là
video được đánh giá trên cùng nền tảng phần cứng là PC
đạt kết quả như trong bảng 6.
Bảng 6. So sánh tốc độ nhận dạng trên PC
Phần cứng
FPS của giải pháp đề

xuất-YOLOv5s
FPS của giải pháp sử
dụng YOLOv3 [8]

CPU
Intel Xeon(R)
Bonze 31041.7GHz

Website:

RAM
16GB

GPU
NVIDIA
Quadro
P2200

Bảng 6 cho thấy giải pháp sử dụng đề xuất sử dụng
YOLOv5 cho tốc độ xử lý nhanh hơn nhiều so với giải pháp
sử dụng YOLOv3 [8]. Thời gian nhận dạng này cho thấy mơ
hình sử dụng YOLOv5s hồn tồn có thể ứng dụng trong
các hệ thống báo cháy dân dụng sử dụng phần cứng có
cấu hình trung bình.
5. KẾT LUẬN
Từ kết quả thực nghiệm cho thấy giải pháp đề xuất sử
dụng YOLOv5 cho hiệu năng tốt hơn nhiều so với giải pháp
sử dụng YOLOv3 về độ chính xác và tốc độ nhận dạng
trong các điều kiện khác nhau. Hệ thống có khả năng phát
hiện, nhận dạng tốt với điều kiện trong nhà và ngoài trời,

đặc biệt với kiện trong nhà hệ thống cho kết quả nhận
dạng với độ chính xác lên tới Precision ≥ 95% và Recall ≥
95%. Tốc độ nhận dạng nhanh 19ms/frame ảnh cho phép
triển khai nhận dạng theo thời gian thực. Bên cạnh đó kết
quả chính xác của precision và recall phụ thuộc vào các yếu
tố như điều kiện ánh sáng nền và kích thước của đối tượng
trong ảnh, hệ thống hoạt động hiệu quả hơn với các đối
tượng có kích thước lớn.

TÀI LIỆU THAM KHẢO
[1]. Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi, 2016. You
Only Look Once: Unified, Real-Time Object Detection. arXiv:1506.02640v5 [cs.CV.
[2]. Joseph Redmon, Ali Farhadi, 2016. YOLO9000: Better, Faster, Stronger.
arXiv:1612.08242v1 [cs.CV].
[3]. Joseph Redmon, Ali Farhadi, 2018. YOLOv3: An Incremental
Improvement. arXiv:1804.02767v1.
[4]. Alexey Bochkovskiy, Chien-Yao Wang, Hong-Yuan Mark Liao, 2020.
YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv:2004.10934v1, 2020
[5]. Glenn Joche, 2020. />[6]. />[7]. Glenn Joche. />[8]. Pu Li, Wangda Zhao, 2020. Image fire detection algorithms based on
convolutional neural networks. Case Studies in Thermal Engineering - journals
elsevier.
[9]. Ross Girshick, Jeff Donahue, Trevor Darrell, Jitendra Malik, 2014. Rich
feature hierarchies for accurate object detection and semantic segmentation Tech
report (v5). arXiv:1311.2524v5.
[10]. Ross Girshick, 2015. Fast R-CNN. arXiv:1504.08083v2.
[11]. Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun, 2016. Faster R-CNN:
Towards Real-Time Object Detection with Region Proposal Networks.
arXiv:1506.01497v3.
[12]. Wei Liu, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott
Reed, Cheng-Yang Fu, Alexander C. Berg, 2016. SSD: Single Shot MultiBox

Detector. arXiv:1512.02325v5.

FPS
51,8

AUTHORS INFORMATION

31,6

Do Thi Ngoc Anh, Hoang Manh Kha, Le Anh Tuan, Nguyen Ngoc Anh
Hanoi University of Industry

Vol. 58 - No. 5 (Oct 2022) ● Journal of SCIENCE & TECHNOLOGY 53